孫順遠(yuǎn)　于敬源

摘要： 針對(duì)基于藍(lán)牙指紋的室內(nèi)定位中存在設(shè)備異構(gòu)性和藍(lán)牙信標(biāo)節(jié)點(diǎn)發(fā)生變化的問(wèn)題， 提出一種針對(duì)異構(gòu)設(shè)備和環(huán)境變化的室內(nèi)定位算法. 首先，? 利用普氏分析法對(duì)接收到的信號(hào)強(qiáng)度進(jìn)行標(biāo)準(zhǔn)化處理， 使用核極限學(xué)習(xí)機(jī)（kernel extreme learning machine， KELM）對(duì)標(biāo)準(zhǔn)化的指紋庫(kù)建模， 減少用戶移動(dòng)終端差異導(dǎo)致的信號(hào)強(qiáng)度差異； 其次， 當(dāng)接入點(diǎn)（access point， AP）信號(hào)發(fā)生變化時(shí)， 利用高斯過(guò)程回歸重新校準(zhǔn)該接入點(diǎn)信號(hào)， 更新指紋庫(kù)， 消除接入點(diǎn)因信號(hào)衰弱、 位置移動(dòng)或環(huán)境變化導(dǎo)致的定位誤差. 測(cè)試分析結(jié)果表明： 該算法能有效克服異構(gòu)設(shè)備產(chǎn)生的影響， 并更好地適應(yīng)環(huán)境變化.

關(guān)鍵詞： 室內(nèi)定位； 普氏分析法； 異構(gòu)設(shè)備； 環(huán)境變化； 高斯過(guò)程回歸

中圖分類(lèi)號(hào)： TP393 文獻(xiàn)標(biāo)志碼： A 文章編號(hào)： 1671-5489（2023）04-0915-07

An Indoor Location Algorithm for HeterogeneousDevices and Environmental Changes

SUN Shunyuan， YU Jingyuan

（Key Laboratory of Advanced Process Control for Light Industry of Ministry of Education，

School of Internet of Things Engineering， Jiangnan University， Wuxi 214122， Jiangsu Province， China）

Abstract： Aiming at the problem of equipment heterogeneity and the change of Bluetooth beacon nodes in indoor location based on Bluetooth fingerprint， we proposed an indoor location algorithm for heterogeneous devices and environmental changes. Firstly， we used Procrustes analysis method to standardize the received signal strength， and used kernel extreme learning machine （KELM） to model the standardized fingerprint database to reduce the signal strength differences caused by the differences of users mobile terminals. Secondly， when the access point （AP） signal changed， the access point signal was recalibrated by Gaussian process regression （GPR）， and the fingerprint database was updated to eliminate the positioning error caused by the weak signal， position movement or environmental change of the access point. Test analysis results show that the algorithm can effectively overcome the impact of heterogeneous equipment， and better adapt to the environmental changes.

Keywords： indoor location; Procrustes analysis method; heterogeneous equipment; environmental change; Gaussian process regression （GPR）

近年來(lái)， 隨著移動(dòng)設(shè)備的爆炸式增長(zhǎng)和社交網(wǎng)絡(luò)的普及， 人們對(duì)位置服務(wù)（location based services， LBS）的需求不斷增大［1］. 全球定位系統(tǒng)（global positioning system， GPS）廣泛應(yīng)用在室外定位中， 但由于衛(wèi)星與室內(nèi)接收器之間缺乏視距傳輸通道， 因此無(wú)法在室內(nèi)環(huán)境中提供足夠精確的定位服務(wù)［2］. 藍(lán)牙［3］和WiFi［4-5］等技術(shù)的迅速發(fā)展以及智能手機(jī)的不斷更新， 使基于信號(hào)接收強(qiáng)度（received signal strength， RSS）指紋的室內(nèi)定位技術(shù)逐漸興起［6-10］. 在測(cè)試設(shè)備與參考設(shè)備相同且環(huán)境相同的情況下， 指紋識(shí)別的方法可取得較高的定位精度， 但使用異構(gòu)設(shè)備或接入點(diǎn)發(fā)生變化時(shí)， 會(huì)產(chǎn)生較大誤差［11-12］. 因此， 本文主要考慮如何克服設(shè)備異構(gòu)性的影響、 自適應(yīng)接入點(diǎn)（access point， AP）信號(hào)變化.

為解決室內(nèi)定位中設(shè)備異構(gòu)的問(wèn)題， 目前已有許多方法可提升定位的魯棒性. 文獻(xiàn)［13］通過(guò)線性變換的方法手動(dòng)調(diào)整不同測(cè)試設(shè)備的RSS值， 該方法需提前獲知異構(gòu)設(shè)備的設(shè)備類(lèi)型， 以便進(jìn)行離線回歸， 自動(dòng)化程度較低， 同時(shí)， 簡(jiǎn)單的線性關(guān)系并不能有效表征異構(gòu)設(shè)備之間的差異; 文獻(xiàn)［14］提出了使用信號(hào)強(qiáng)度差（signal strength difference， SSD）代替RSS作為指紋， 以避免繁瑣的手動(dòng)RSS校準(zhǔn)程序， 該方法雖然可以減少異構(gòu)設(shè)備的影響， 但也減少了指紋特征; 文獻(xiàn)［15］提出了基于普氏分析對(duì)信號(hào)強(qiáng)度指紋進(jìn)行標(biāo)準(zhǔn)化， 并定義信號(hào)趨勢(shì)指數(shù)度量這些標(biāo)準(zhǔn)化指紋之間的相似性， 然后采用加權(quán)平均構(gòu)建出新的測(cè)試指紋， 該方法能有效克服異構(gòu)設(shè)備產(chǎn)生的影響， 但無(wú)法解決AP變化產(chǎn)生的影響； 文獻(xiàn)［16］提出了采用高斯過(guò)程回歸（Gaussian process regression， GPR）的方法更新參考點(diǎn)（reference point， RP）指紋， 可以在目標(biāo)區(qū)域的任意位置使用GPR調(diào)整指紋庫(kù)以適應(yīng)AP變化， 更新指紋數(shù)據(jù)庫(kù).

綜合上述方法的優(yōu)缺點(diǎn)， 本文提出一種基于普氏分析和GPR的指紋庫(kù)自適應(yīng)算法. 在目標(biāo)區(qū)域中各RP處采集藍(lán)牙RSS指紋， 使用普氏分析對(duì)指紋庫(kù)進(jìn)行標(biāo)準(zhǔn)化處理， 然后將標(biāo)準(zhǔn)化后的數(shù)據(jù)輸入極限學(xué)習(xí)機(jī)建立定位模型； 當(dāng)AP發(fā)生改變時(shí)， 使用GPR重新構(gòu)建指紋庫(kù)， 以適應(yīng)環(huán)境變化.

1 定位模型的構(gòu)建

3 實(shí)驗(yàn)分析

3.1 實(shí)驗(yàn)設(shè)置

實(shí)驗(yàn)場(chǎng)景為江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院C區(qū)一樓“L”型走廊區(qū)域， 以區(qū)域相鄰的兩邊為橫縱坐標(biāo)軸， 并標(biāo)記為x軸和y軸. 該區(qū)域可視為由兩個(gè)大小不等的矩形區(qū)域組成， 其大小分別為30 m×2 m和20 m×2 m， 如圖1所示. 根據(jù)實(shí)驗(yàn)測(cè)得的藍(lán)牙信號(hào)衰減趨勢(shì)， 在這兩個(gè)連通的矩形走廊區(qū)域中每隔4 m布置一個(gè)低功耗藍(lán)牙信標(biāo)節(jié)點(diǎn)， 共11個(gè)節(jié)點(diǎn)， 即為AP點(diǎn). 該AP點(diǎn)采用以NRF52832芯片作為核心的低功耗藍(lán)牙信標(biāo)， 主要實(shí)現(xiàn)了廣播功能， 不停地向外發(fā)送數(shù)據(jù). RP位置的選取主要采用網(wǎng)格拓?fù)洌?在走廊中間每隔1 m設(shè)立一個(gè)RP點(diǎn)， 共156個(gè)點(diǎn).

為討論設(shè)備異構(gòu)性問(wèn)題， 在實(shí)驗(yàn)中使用了3種不同的手機(jī)， 型號(hào)分別為小米10pro、 華為 mate40和蘋(píng)果12. 將小米10pro作為參考設(shè)備， 在156個(gè)RP點(diǎn)采集RSS數(shù)據(jù). 在RP點(diǎn)上每隔2.5 s采集1次數(shù)據(jù)， 每個(gè)參考點(diǎn)采集4次， 并且每次采集的數(shù)據(jù)都經(jīng)過(guò)了10次均值濾波， 共獲得624組數(shù)據(jù)， 其中312組數(shù)據(jù)作為訓(xùn)練集， 各156組數(shù)據(jù)作為驗(yàn)證集和測(cè)試集， 其他兩部手機(jī)在每個(gè)RP點(diǎn)只采集1次， 用于測(cè)試. 采集數(shù)據(jù)時(shí)， 所有手機(jī)均保持在同一高度且朝向相同. 為驗(yàn)證AP變化所產(chǎn)生的問(wèn)題， 移動(dòng)某個(gè)AP， 之后使用這三部手機(jī)在目標(biāo)區(qū)域中各RP點(diǎn)再采集一組數(shù)據(jù)用于測(cè)試.

3.2 指紋標(biāo)準(zhǔn)化效果分析

本文采用基于普氏分析法對(duì)采集到的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理， 使不同設(shè)備采集到的RSS曲線能趨近于同一條. 本文采用3種不同類(lèi)型的手機(jī)進(jìn)行實(shí)驗(yàn)分析， 使用這3臺(tái)設(shè)備在某一RP點(diǎn)采集來(lái)自11個(gè)AP的RSS數(shù)據(jù)曲線如圖2（A）所示. 由圖2（A）可見(jiàn)， 不同手機(jī)在同一位置接收到的信號(hào)強(qiáng)度有明顯差異， 其中最大差值甚至超過(guò)了10 dBm. 同時(shí)也發(fā)現(xiàn)雖然信號(hào)強(qiáng)度有差值， 但信號(hào)曲線的形狀相似， 信號(hào)的變化趨勢(shì)大致相同. 圖2（B）為上述RSS曲線經(jīng)過(guò)普氏分析后的標(biāo)準(zhǔn)化結(jié)果. 由圖2（B）可見(jiàn)， 標(biāo)準(zhǔn)化后的信號(hào)強(qiáng)度曲線趨近于相同.

以小米10pro作為參考設(shè)備， 采用KELM對(duì)標(biāo)準(zhǔn)化前后的指紋庫(kù)分別建立定位模型， 然后使用測(cè)試集進(jìn)行測(cè)試， 結(jié)果列于表1. 由表1可見(jiàn)， 當(dāng)使用小米手機(jī)作為參考設(shè)備并構(gòu)建定位模型后， 使用其他設(shè)備測(cè)試定位精度時(shí)均會(huì)導(dǎo)致定位精度下降， 與使用小米手機(jī)相比， 誤差約增加1 m. 在指紋經(jīng)過(guò)標(biāo)準(zhǔn)化后， 異構(gòu)設(shè)備的定位精度雖不及參考設(shè)備， 但誤差均有所下降， 其中華為手機(jī)的精度提升23%， 蘋(píng)果手機(jī)的定位精度提升35%.

3.3 指紋庫(kù)更新效果分析

在實(shí)際定位場(chǎng)景中， 可能會(huì)存在AP位置改變、 設(shè)備信號(hào)衰減等問(wèn)題， 導(dǎo)致定位精度下降. 本文提出使用GPR更新指紋庫(kù)， 并重新構(gòu)建定位模型， 以克服AP變化帶來(lái)的影響. 本文實(shí)驗(yàn)僅使用小米手機(jī)進(jìn)行測(cè)試， 實(shí)驗(yàn)結(jié)果如圖3和圖4所示.

由圖3可見(jiàn)， 在指紋庫(kù)經(jīng)GPR更新后， 平均定位精度比更新前更高， 且離群點(diǎn)較少， 誤差中位線也較低， 僅為0.72 m， 同時(shí)最大誤差也更小. 由圖4可見(jiàn)， 指紋庫(kù)更新后的定位模型具有更快的誤差累積速度， 約90%的測(cè)試點(diǎn)誤差在2 m以下， 而未經(jīng)過(guò)更新的指紋庫(kù)所構(gòu)建的模型有30%的測(cè)試點(diǎn)誤差超過(guò)了2 m. 實(shí)驗(yàn)結(jié)果表明， 加入了GPR更新指紋庫(kù)后能有效克服AP變化所產(chǎn)生的影響.

綜上所述， 針對(duì)基于藍(lán)牙指紋在室內(nèi)定位中存在設(shè)備異構(gòu)性和藍(lán)牙信標(biāo)節(jié)點(diǎn)發(fā)生變化的問(wèn)題， 本文提出了一種針對(duì)異構(gòu)設(shè)備和環(huán)境變化的室內(nèi)定位算法. 先利用普氏分析對(duì)采集到的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化， 然后使用標(biāo)準(zhǔn)化后的數(shù)據(jù)構(gòu)建定位模型.? 當(dāng)環(huán)境中AP發(fā)生變化時(shí)， 采用高斯過(guò)程回歸對(duì)其進(jìn)行校準(zhǔn)并更新指紋庫(kù)， 根據(jù)新的指紋庫(kù)重構(gòu)定位模型. 實(shí)驗(yàn)結(jié)果表明， 該算法能有效克服異構(gòu)設(shè)備產(chǎn)生的影響， 并自適應(yīng)環(huán)境變化.

參考文獻(xiàn)

［1］王慧強(qiáng)， 高凱旋， 呂宏武， 等. 高精度室內(nèi)定位研究評(píng)述及未來(lái)演進(jìn)展望 ［J］. 通信學(xué)報(bào)， 2021， 42（7）： 198-209. （WANG H Q， GAO K X， L H W， et al. Research Review and Future Evolution Prospect of High-Precision Indoor Positioning? ［J］. Journal of Communications， 2021， 42（7）： 198-209.）

［2］XIA S X， LIU Y， YUAN G， et al. Indoor Fingerprint Positioning Based on Wi-Fi： An Overview ［J］. ISPRS International Journal of Geo-Information， 2017， 6（5）： 135-1-135-25.

［3］田增山， 王陽(yáng)， 周牧， 等. 基于自適應(yīng)漸消記憶的藍(lán)牙序列匹配定位算法 ［J］. 電子與信息學(xué)報(bào)， 2019， 41（6）： 1381-1388. （TIAN Z S， WANG Y， ZHOU M， et al. Bluetooth Sequence Matching Location Algorithm Based on Adaptive Fading Memory ［J］. Journal of Electronics and Information， 2019， 41（6）： 1381-1388.）

［4］HAO Z J， DANG J W， CAI W B， et al. A Multi-floor Location Method Based on Multi-sensor and WiFi Fingerprint Fusion ［J］. IEEE Access， 2020， 8： 223765-223781.

［5］潘維蔚， 康凱， 張武雄， 等. 基于WiFi的室內(nèi)定位準(zhǔn)確率改進(jìn)算法 [J]. 計(jì)算機(jī)工程， 2020， 46（2）： 207-213. （PAN W W， KANG K， ZHANG W X， et al. Improved Indoor Location Accuracy Algorithm Based on WiFi [J]. Computer Engineering， 2020， 46（2）： 207-213.）

［6］秦寧寧， 王超， 楊樂(lè)， 等. 基于多元高斯混合模型的離線指紋數(shù)據(jù)庫(kù) ［J］. 電子與信息學(xué)報(bào)， 2021， 43（6）： 1772-1780. （QIN N N， WANG C， YANG L， et al. Off-Line Fingerprint Database Based on Multivariate Gaussian Mixture Model ［J］. Journal of Electronics and Information， 2021， 43（6）： 1772-1780.）

［7］鄔春明， 齊森南. 改進(jìn)K-means聚類(lèi)的自適應(yīng)加權(quán)K近鄰指紋定位算法 [J]. 重慶郵電大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2021， 33（6）： 946-954. （WU C M， QI S N. The Adaptive Weighted K-Nearest Neighbor Fingerprint Location Algorithm Based on K-Means Clustering Is Improved [J]. Journal of Chongqing University of Posts & Telecommunications （Natural Science Edition）， 2021， 33（6）： 946-954.）

［8］劉影， 李國(guó)慶， 錢(qián)志鴻， 等. 采用確定性信號(hào)傳播模型的普適尋優(yōu)定位方法 [J]. 重慶郵電大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2021， 33（3）： 378-386. （LIU Y， LI G Q， QIAN Z H， et al. Universal Optimal Location Method Based on Deterministic Signal Propagation Model [J]. Journal of Chongqing University of Posts & Telecommunications （Natural Science Edition）， 2021， 33（3）： 378-386.）

［9］李新春， 黃朝暉. 基于聚類(lèi)的PCA和GRNN的CSI指紋定位算法 [J]. 重慶郵電大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2021， 33（3）： 449-457. （LI X C， HUANG Z H. CSI Fingerprint Location Algorithm Based on Clustering PCA and GRNN [J]. Journal of Chongqing University of Posts & Telecommunications （Natural Science Edition）， 2021， 33（3）： 449-457.）

［10］郭悅， 王紅軍. 基于改進(jìn)LSSVR模型的移動(dòng)節(jié)點(diǎn)定位技術(shù)研究 [J]. 重慶郵電大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2021， 33（1）： 44-51. （GUO Y， WANG H J. Research on Mobile Node Location Technology Based on Improved LSSVR Model [J]. Journal of Chongqing University of Posts and Telecommunications （Natural Science Edition）， 2021， 33（1）： 44-51.）

［11］何富貴， 楊錚， 吳陳沭， 等. 一種層次Levenshtein距離的無(wú)指紋校準(zhǔn)的室內(nèi)定位方法 ［J］. 智能系統(tǒng)學(xué)報(bào)， 2017， 12（3）： 422-429. （HE F G， YANG Z， WU C S， et al. A Hierarchical Levenshtein Distance Indoor Location Method without Fingerprint Calibration? ［J］. Journal of Intelligent Systems， 2017， 12（3）： 422-429.）

［12］金彥亮， 王妍， 齊崎， 等. 室內(nèi)環(huán)境下無(wú)線干涉定位系統(tǒng)的多徑誤差分析 [J]. 計(jì)算機(jī)工程， 2021， 47（7）： 135-139.? （JIN Y L， WANG Y， QI Q， et al. Multipath Error Analysis of Wireless Interferometric Location System in Indoor Environment [J]. Computer Engineering， 2021， 47（7）： 135-139.）

［13］王敬彬. 室內(nèi)定位RSSI空間建模與接收設(shè)備偏差研究 ［D］. 成都： 西南交通大學(xué)， 2017. （WANG J B. Research on Spatial Modeling of Indoor Positioning RSSI and Deviation of Receiving Equipment ［D］. Chengdu： Southwest Jiaotong University， 2017.）

［14］謝代軍， 孔范增， 胡捍英， 等. 終端異質(zhì)下位置指紋的魯棒性研究 ［J］. 計(jì)算機(jī)工程， 2014， 40（5）： 81-85. （XIE D J， KONG F Z， HU H Y， et al. Study on the Robustness of Position Fingerprint under Terminal Heterogeneity ［J］. Computer Engineering， 2014， 40（5）： 81-85.）

［15］ZOU H， HUANG B Q， LU X X， et al. A Robust Indoor Positioning System Based on the Procrustes Analysis and Weighted Extreme Learning Machine ［J］. IEEE Transactions on Wireless Communications， 2019， 15（2）： 83-90.

［16］HE S N， LIN W B， CHAN S H G. Indoor Localization and Automatic Fingerprint Update with Altered AP Signals ［J］. IEEE Transactions on Mobile Computing， 2016， 16（7）： 1897-1910.

［17］KJ[KG-*3]EEGAARD M B， MUNK C V. Hyperbolic Location Fingerprinting： A Calibration-Free Solution for Handling Differences in Signal Strength ［C］//6th Annual IEEE International Conference on Pervasive Computing and Communications. Piscataway， NJ： IEEE， 2008： 110-116.

［18］GOWER J C. Generalized Procrustes Analysis ［J］. Psychometrika， 1975， 40（1）： 33-51.

［19］徐巖， 李寧寧. 雙層PSO-ELM融合室內(nèi)定位算法 ［J］. 天津大學(xué)學(xué)報(bào)（自然科學(xué)與工程技術(shù)版）， 2021， 54（1）： 61-68. （XU Y， LI N N. Double-Layer PSO-ELM Fusion Indoor Location Algorithm ［J］. Journal of Tianjin University （Science and Technology）， 2021， 54（1）： 61-68.）

［20］郭伯勛， 李軍. 基于KELM的位置指紋室內(nèi)定位方法研究 ［J］. 計(jì)算機(jī)工程與應(yīng)用， 2016， 52（9）： 78-83. （GUO B X， LI J. Research on Indoor Location Method of Location Fingerprint Based on KELM ［J］. Computer Engineering and Applications， 2016， 52（9）： 78-83.）

［21］BROOKS A， MAKARENKO A， UPCROFT B. Gaussian Process Models for Indoor and Outdoor Sensor-Centric Robot Localization ［C］//Proceedings 2006 IEEE International Conference on Robotics and Automation. Piscataway， NJ： IEEE， 2006： 1314-1351.

（責(zé)任編輯： 韓 嘯）

收稿日期： 2022-03-03.

第一作者簡(jiǎn)介： 孫順遠(yuǎn)（1985—）， 男， 漢族， 博士， 副教授， 從事無(wú)線傳感網(wǎng)與慣性導(dǎo)航的研究， E-mail： hzrobin@stu.jiangnan.edu.cn.

基金項(xiàng)目： 國(guó)家自然科學(xué)基金（批準(zhǔn)號(hào)： 61702228）.